一種基于Bi-GRU的PM2.5數(shù)據(jù)處理與預測方法技術

本發(fā)明專利技術公開了一種基于Bi?GRU的PM2.5數(shù)據(jù)處理與預測方法，包括以下步驟：構建PM2.5數(shù)據(jù)的預測模型；利用訓練集數(shù)據(jù)，對所述PM2.5數(shù)據(jù)的預測模型進行訓練；將測試集數(shù)據(jù)輸入訓練完畢的PM2.5數(shù)據(jù)的預測模型中，計算獲得PM2.5的預測值；所述預測模型包括Bi?GRU層、第一全連接層、第二全連接層和第三全連接層，各層之間依次順序連接，前一層的輸出為后一層的輸入。本發(fā)明專利技術中Bi?GRU是一種改進的GRU模型，通過連接兩個GRU模型形成的一個雙向結構，在GRU的基礎上能夠更加充分的獲取序列數(shù)據(jù)的上下文信息，用于對PM2.5數(shù)據(jù)的處理和預測有較好的效果。

A PM2.5 data processing and prediction method based on Bi Gru

【技術實現(xiàn)步驟摘要】
一種基于Bi-GRU的PM2.5數(shù)據(jù)處理與預測方法
本專利技術屬于空氣污染數(shù)據(jù)處理與預測
，具體涉及一種基于Bi-GRU(Bidirectional-GatedRecurrentUnit，雙向門控循環(huán)單元)的PM2.5數(shù)據(jù)處理與預測方法。
技術介紹
空氣污染問題已經(jīng)成為了社會普遍關注的重要問題之一。每年空氣污染會導致300萬人死亡，并且這個人數(shù)還在不斷上升。在中國，霧霾的影響日益增大，其中最為關鍵的PM2.5及以下的微粒。由于PM2.5在吸入人體以后，其中75％會在肺泡內沉積，導致呼吸系統(tǒng)感染，胎兒發(fā)育等嚴重健康問題。政府一直致力于如何減少空氣污染以及對人們健康的影響。一方面，政府通過限制污染企業(yè)、提倡綠色清潔能源的使用，努力治理減少空氣污染物排放的同時，另一方面通過提前預測未來PM2.5濃度信息發(fā)布公眾，提醒人們在極端惡劣的條件下減少戶外活動，能夠給人們的身體健康給與最大限度的保護。因此，對于PM2.5污染濃度的預測研究尤為重要。目前對于PM2.5污染濃度的預測精度仍然不夠，難以滿足人們的需求。主要采用的方法有基于回歸的預測、基于隨機森林的預測、基于SVM的預測以及基于神經(jīng)網(wǎng)絡的預測。近年來，隨著人工智能技術的發(fā)展，越來越多的人發(fā)現(xiàn)基于神經(jīng)網(wǎng)絡的預測方法優(yōu)勢較為突出，能夠取得較好效果。大量學者采用了LSTM、Con-LSTM方法對空氣污染濃度進行了預測，然而精度不夠理想。并且實驗證明，單純的增加LSTM或者Con-LSTM單元的個數(shù)并不能對預測精度進行提高。
技術實現(xiàn)思路
有鑒于此，本專利技術的目的在于提供一種基于Bi-GRU的PM2.5數(shù)據(jù)處理與預測方法，通過連接兩個GRU(GatedRecurrentUnit，門控循環(huán)單元)模型(正向GRU和反向GRU)形成的一個雙向結構，在GRU的基礎上能夠更加充分的獲取序列數(shù)據(jù)的上下文信息，用于對PM2.5數(shù)據(jù)的預測有較好的效果。本專利技術的目的是這樣實現(xiàn)的，包括以下步驟：步驟1，構建PM2.5數(shù)據(jù)的預測模型；步驟2，利用訓練集數(shù)據(jù)，對所述PM2.5數(shù)據(jù)的預測模型進行訓練；步驟3，將測試集數(shù)據(jù)輸入訓練完畢的PM2.5數(shù)據(jù)的預測模型中，計算獲得PM2.5的預測值；所述預測模型包括Bi-GRU層、第一全連接層、第二全連接層和第三全連接層，各層之間依次順序連接，前一層的輸出為后一層的輸入，所述Bi-GRU層由一個正向GRU模型和一個反向GRU模型并聯(lián)形成一個雙向結構，所述Bi-GRU層輸出兩個合并的GRU信號，所述的第一全連接層的輸出層為100，所述的第二全連接層的輸出層為10，所述的第三全連接層的輸出層為1；所述訓練集數(shù)據(jù)包括影響因素數(shù)據(jù)和已知的PM2.5觀測數(shù)據(jù)；所述的測試集數(shù)據(jù)為待預測的PM2.5數(shù)據(jù)的影響因素數(shù)據(jù)。具體地，所述影響因素數(shù)據(jù)包括predictionHours前歷史PM2.5數(shù)據(jù)、光照強度、露點溫度、空氣濕度、氣壓、溫度、風速、每小時降雨量、8小時歷史總降雨量、時間、季節(jié)、風向共20欄數(shù)據(jù)；所述時間分為白天和黑夜2欄；所述的季節(jié)分為春季、夏季、秋季、冬季4欄，風向分為東風、南風、西風、北風、無風5欄；其中，predictionHours是一個預設參數(shù)，代表預測未來predictionHours小時的PM2.5濃度。優(yōu)選地，對所述訓練集數(shù)據(jù)根據(jù)不同時間或季節(jié)進行分類，使用不同類別的訓練集分別訓練不同類型下的PM2.5數(shù)據(jù)的預測模型；預測模型訓練完成以后，針對當前測試集數(shù)據(jù)，利用測試集數(shù)據(jù)對應類型的預測模型，計算獲得PM2.5的預測值。具體地，所述的BI-GRU層中正向GRU模型的中間輸出反向GRU模型的中間輸出對正向GRU模型和反向GRU模型的中間輸出的聚合操作，得到輸出表示將正向GRU模型的輸出與反向GRU模型輸出進行合并連接，作為所述的BI-GRU層的輸出；其中z1t、為正向GRU模型的中間值，z2t、為反向GRU模型的中間值。具體地，步驟1中所述預測模型的輸出值為所述輸出值為未來predictionHours后的PM2.5濃度，W12o和B12o為模型參數(shù)，通過訓練可得。優(yōu)選地，所述預測模型中的損失函數(shù)采用標準歸一化MSE，激活函數(shù)采用Relu函數(shù)，步驟2的訓練過程中，通過Adam函數(shù)進行學習，得到參數(shù)神經(jīng)網(wǎng)絡參數(shù)模型。本專利技術方法中的Bi-GRU層是一種改進的GRU模型，通過連接兩個GRU模型(正向GRU和反向GRU)形成的一個雙向結構，在GRU的基礎上能夠更加充分的獲取序列數(shù)據(jù)的上下文信息，用于對PM2.5的預測有較好的效果。附圖說明圖1為本專利技術方法的流程示意圖；圖2為本專利技術方法的預測模型結構圖；圖3為本專利技術實施例中GRU的結構圖；圖4為本專利技術實施例中Bi-GRU模型的結構示意圖。具體實施方式下面將結合本專利技術實施例中的附圖，對本專利技術實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本專利技術一部分實施例，而不是全部的實施例?；诒緦＠夹g中的實施例，本領域普通技術人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本專利技術保護的范圍。如圖1所示，一種基于Bi-GRU的PM2.5數(shù)據(jù)處理與預測方法，包括以下步驟：步驟1，構建PM2.5數(shù)據(jù)的預測模型；步驟2，利用訓練集數(shù)據(jù)，對所述PM2.5數(shù)據(jù)的預測模型進行訓練；步驟3，將測試集數(shù)據(jù)輸入訓練完畢的PM2.5數(shù)據(jù)的預測模型中，計算獲得PM2.5的預測值；如圖2所示，所述預測模型包括Bi-GRU層、第一全連接層、第二全連接層和第三全連接層，各層之間依次順序連接，前一層的輸出為后一層的輸入，所述Bi-GRU層由一個正向GRU模型和一個反向GRU模型并聯(lián)形成一個雙向結構，所述Bi-GRU層輸出兩個合并的GRU信號，所述的第一全連接層的輸出層為100，所述的第二全連接層的輸出層為10，所述的第三全連接層的輸出層為1；所述訓練集數(shù)據(jù)包括影響因素數(shù)據(jù)和已知的PM2.5觀測數(shù)據(jù)；所述的測試集數(shù)據(jù)為待預測的PM2.5數(shù)據(jù)的影響因數(shù)數(shù)據(jù)。具體地，所述影響因素數(shù)據(jù)包括predictionHours前歷史PM2.5數(shù)據(jù)、光照強度、露點溫度、空氣濕度、氣壓、溫度、風速、每小時降雨量、8小時歷史總降雨量、時間、季節(jié)、風向共20欄數(shù)據(jù)；所述時間分為白天和黑夜2欄；所述的季節(jié)分為春季、夏季、秋季、冬季4欄，風向分為東風、南風、西風、北風、無風5欄；其中，predictionHours是一個預設參數(shù)，代表預測未來predictionHours小時的PM2.5濃度。優(yōu)選地，對所述訓練集數(shù)據(jù)根據(jù)不同時間或季節(jié)進行分類，使用不同類別的訓練集分別訓練不同類型下的PM2.5數(shù)據(jù)的預測模型；預測模型訓練完成以后，針對當前測試集數(shù)據(jù)，利用測試集數(shù)據(jù)對應類型的預測模型，計算獲得PM2.5的預測值。GRU模型是傳統(tǒng)的在LSTM模型上的一個改進版，其基本結構如圖3所示，其中包含了遺忘門和更新門兩個主要處理本文檔來自技高網(wǎng)...

【技術保護點】
1.一種基于Bi-GRU的PM2.5數(shù)據(jù)處理與預測方法，其特征在于，包括以下步驟：/n步驟1，構建PM2.5數(shù)據(jù)的預測模型；/n步驟2，利用訓練集數(shù)據(jù)，對所述PM2.5數(shù)據(jù)的預測模型進行訓練；/n步驟3，將測試集數(shù)據(jù)輸入訓練完畢的PM2.5數(shù)據(jù)的預測模型中，計算獲得PM2.5的預測值；/n所述預測模型包括Bi-GRU層、第一全連接層、第二全連接層和第三全連接層，各層之間依次順序連接，前一層的輸出為后一層的輸入，所述Bi-GRU層由一個正向GRU模型和一個反向GRU模型并聯(lián)形成一個雙向結構，所述Bi-GRU層輸出兩個合并的GRU信號，所述的第一全連接層的輸出層為100，所述的第二全連接層的輸出層為10，所述的第三全連接層的輸出層為1；/n所述訓練集數(shù)據(jù)包括影響因素數(shù)據(jù)和已知的PM2.5觀測數(shù)據(jù)；/n所述的測試集數(shù)據(jù)為待預測的PM2.5數(shù)據(jù)的影響因數(shù)數(shù)據(jù)。/n

【技術特征摘要】
1.一種基于Bi-GRU的PM2.5數(shù)據(jù)處理與預測方法，其特征在于，包括以下步驟：
步驟1，構建PM2.5數(shù)據(jù)的預測模型；
步驟2，利用訓練集數(shù)據(jù)，對所述PM2.5數(shù)據(jù)的預測模型進行訓練；
步驟3，將測試集數(shù)據(jù)輸入訓練完畢的PM2.5數(shù)據(jù)的預測模型中，計算獲得PM2.5的預測值；
所述預測模型包括Bi-GRU層、第一全連接層、第二全連接層和第三全連接層，各層之間依次順序連接，前一層的輸出為后一層的輸入，所述Bi-GRU層由一個正向GRU模型和一個反向GRU模型并聯(lián)形成一個雙向結構，所述Bi-GRU層輸出兩個合并的GRU信號，所述的第一全連接層的輸出層為100，所述的第二全連接層的輸出層為10，所述的第三全連接層的輸出層為1；
所述訓練集數(shù)據(jù)包括影響因素數(shù)據(jù)和已知的PM2.5觀測數(shù)據(jù)；
所述的測試集數(shù)據(jù)為待預測的PM2.5數(shù)據(jù)的影響因數(shù)數(shù)據(jù)。


2.根據(jù)權利要求1所述的PM2.5數(shù)據(jù)處理與預測方法，其特征在于，所述影響因素數(shù)據(jù)包括predictionHours前歷史PM2.5數(shù)據(jù)、光照強度、露點溫度、空氣濕度、氣壓、溫度、風速、每小時降雨量、8小時歷史總降雨量、時間、季節(jié)、風向共20欄數(shù)據(jù)；所述時間分為白天和黑夜2欄；所述的季節(jié)分為春季、夏季、秋季、冬季4欄，風向分為東風、南風、西風、北風、無風5欄；其中，predictionHours是一個預設參...

【專利技術屬性】
技術研發(fā)人員：馬武彬，魯贏，吳繼冰，鄧蘇，黃宏斌，吳亞輝，劉麗華，李璇，
申請(專利權)人：中國人民解放軍國防科技大學，
類型：發(fā)明
國別省市：湖南;43